د لوستلو اټکل شوی وخت: 6 منیوټ
شرکتونه د سوداګرۍ عملیاتو سره تړلي ډیټا تل زیاتیدونکي مقدار رامینځته کوي ، چې د وړاندوینې تحلیلونو کې د نوي علاقې لامل کیږي ، هغه ساحه چې د نمونو پیژندلو لپاره د لوی ډیټا سیټونو تحلیل کوي ، د پایلو وړاندوینه کوي او د پریکړې کولو لارښود کوي. شرکتونه د عملیاتي خطرونو پیچلي او تل پراخېدونکي سلسلې سره هم مخ دي چې باید په فعاله توګه وپیژندل شي او کم شي. پداسې حال کې چې ډیری شرکتونو د بازارموندنې / پلور فرصتونو پیژندلو لپاره د وړاندوینې تحلیلونو کارول پیل کړي ، ورته ستراتیژۍ د خطر مدیریت کې لږ عام دي ، پشمول امنیت.
د طبقه بندي الګوریتمونه، د وړاندوینې تحلیلونو عمومي ټولګي، د خوندیتوب پورې اړوند تفتیش او ساتنې معلوماتو پراساس د خوندیتوب پیښو وخت او موقعیت وړاندوینه کولو سره د اصالحاتو او پیټرو کیمیکل صنعتونو لپاره په ځانګړي توګه ګټور کیدی شي ، په لازمي ډول مخکښ شاخصونه. د دې میتود سره تړلې دوه اصلي ننګونې شتون لري: (1) ډاډ ترلاسه کول چې اندازه شوي مخکښ شاخصونه واقعیا د حادثې وړاندوینه کوي او (2) د مخکښ شاخصونو اندازه کول په کافي اندازه د وړاندوینې ارزښت لري.
د منظم تازه شوي تفتیش ډیټا په کارولو سره ، یو ماډل د لوژیستیکي ریګریشن په کارولو سره رامینځته کیدی شي. په دې توګه تاسو کولی شئ یو ماډل جوړ کړئ، د بیلګې په توګه، د هر مایل ټریک لپاره د ریل د ناکامۍ احتمال وړاندوینه کول. احتمالات ممکن نوي شي ځکه چې اضافي معلومات راټول شوي.
د ریل د ناکامۍ وړاندوینه شوي احتمالاتو سربیره، د ورته ماډل سره موږ کولی شو متغیرونه د لوی وړاندوینې اعتبار سره وپیژنو (هغه چې د ریل ناکامۍ کې د پام وړ مرسته کوي). د ماډل پایلو په کارولو سره ، تاسو به وکولی شئ په ریښتیا وپیژنئ چیرې چې د ساتنې ، تفتیش او پانګوونې ښه کولو سرچینو تمرکز وکړئ او د دې فعالیتونو په جریان کې کوم عوامل په ګوته کړئ.
ورته میتودولوژي د اصالحاتو او پیټرو کیمیکل صنعتونو کې د حادثو وړاندوینې او مخنیوي له لارې د خطرونو اداره کولو لپاره کارول کیدی شي ، په دې شرط چې سازمانونه:
د وړاندوینې تحلیل یوه پراخه ساحه ده چې د مختلف څانګو اړخونه پکې شامل دي ، پشمول د ماشین زده کړې ،مصنوعي استخباراتاحصایې او د معلوماتو د راايستلو. د وړاندوینې تحلیلونه په لوی ډیټا سیټونو کې نمونې او رجحانات افشا کوي. د وړاندوینې تحلیلونو یو ډول ، طبقه بندي الګوریتمونه ، په ځانګړي توګه د تصفیه کولو او پیټرو کیمیکل صنعتونو لپاره ګټور کیدی شي.
طبقه بندي الګوریتمونه د څارنې ماشین زده کړې په توګه طبقه بندي کیدی شي. د څارل شوي زده کړې سره، کاروونکي یو ډیټاسیټ لري چې د وړاندوینې متغیرونو اندازه کول پکې شامل دي چې د پیژندل شوي پایلو سره تړاو لري. په موډل کې چې د دې مقالې د قضیې مطالعې برخه کې بحث شوی، د هر مایل ټریک لپاره د یوې مودې په ترڅ کې د مختلفو لارو اندازه (د بیلګې په توګه منحل، کراسنګ) اخیستل شوي. پېژندل شوې پایله، په دې حالت کې، دا ده چې آیا د دې دوه کلنې دورې په اوږدو کې په هر ریل مایل کې د ټریک ناکامي واقع شوې.
یو مناسب ماډلینګ الګوریتم بیا غوره شوی او د معلوماتو تحلیل لپاره کارول کیږي او د متغیر اندازه کولو او پایلو ترمینځ اړیکې پیژندل کیږي ترڅو وړاندوینې قواعد رامینځته کړي (یو ماډل). یوځل چې رامینځته شي ، ماډل ته یو نوی ډیټا سیټ ورکړل شوی چې د نامعلوم وړاندوینې متغیرونو او پایلو اندازه کوي او بیا به د ماډل قواعدو پراساس د پایلو احتمال محاسبه کړي. دا د غیر څارل شوي زده کړې ډولونو سره پرتله کیږي، چیرې چې الګوریتمونه په ډیټا سیټ کې نمونې او رجحانات کشف کوي پرته له دې چې د کاروونکي لخوا کوم ځانګړي الرښوونه وکړي، پرته له الګوریتم څخه کارول کیږي.
عام طبقه بندي الګوریتمونه شامل دي خطي ریګریشن، لوژستیک ریګریشن، د پریکړې ونې، عصبي شبکه، د ملاتړ ویکتور / انعطاف وړ تبعیض ماشین، د بې بایس کلاسیفیر، او ډیری نور. خطي ریګریشنونه یو ساده مثال وړاندې کوي چې څنګه د طبقه بندي الګوریتم کار کوي. په یو خطي ریګریشن کې، یو غوره مناسب کرښه د موجوده ډیټا ټکو پراساس محاسبه کیږي، د کرښې مساوات ay = mx + b ورکوي. د پیژندل شوي متغیر (x) داخلول د نامعلوم متغیر (y) لپاره وړاندوینه وړاندې کوي.
په ریښتینې نړۍ کې د متغیرونو ترمنځ ډیری اړیکې خطي ندي، مګر پیچلې او غیر منظم شکل لري. له همدې امله، خطي ریګریشن اکثرا ګټور نه وي. نور طبقه بندي الګوریتمونه د ډیرو پیچلو اړیکو ماډل کولو توان لري، لکه curvilinear یا logarithmic اړیکو. د مثال په توګه، د لوژستیک ریګریشن الګوریتم کولی شي پیچلې اړیکې ماډل کړي، کولی شي غیر عددي تغیرات (د بیلګې په توګه، کټګورۍ) شامل کړي، او ډیری وختونه کولی شي حقیقي او احصایوي اعتباري ماډلونه رامینځته کړي. د لوژستیک ریګریشن ماډل ځانګړی محصول د پایلو/پیښو د پیښیدو وړاندوینه شوی احتمال دی. نور طبقه بندي الګوریتمونه د لوژستیک ریګریشن ته ورته محصول چمتو کوي، مګر اړین معلومات د الګوریتمونو ترمنځ توپیر لري.
د پیچلو اړیکو ماډل کول په ځانګړې توګه د خطر مدیریت کې ګټور دي، چیرې چې خطر عموما د یوې ځانګړې پایلې احتمال او احتمالي شدت پر بنسټ لومړیتوب ورکول کیږي. د خطر فکتورونو ماډل کول چې د دې پایلې سره مرسته کوي د پایلې احتمال په دقیق او احصایوي اعتبار سره اټکل کوي. په مقابل کې، د خطر ډیری ارزونې په کټګوري پیمانه "احتمال" اندازه کوي (په لسیزه کې یو ځل، په کال کې یو ځل، په کال کې څو ځله)، کوم چې لږ دقیق، ډیر تابع دی، او په خطر کې د موجود خطرونو ترمنځ توپیر کول ناممکن کوي. ورته پراخه کټګورۍ. د خطر په ارزونه کې د احتمالي شدت د اندازې ارزولو لپاره نور تخنیکونه شتون لري، مګر دا د دې مقالې له ساحې څخه بهر دي.
BlogInnovazione.it
ملیونونه خلک د سټیمینګ خدماتو لپاره تادیه کوي ، د میاشتنۍ ګډون فیس ورکوي. دا عام نظر دی چې تاسو…
د Veeam لخوا Coveware به د سایبر غصب پیښو غبرګون خدماتو چمتو کولو ته دوام ورکړي. Coveware به د عدلي او درملنې وړتیاوې وړاندې کړي ...
د وړاندوینې ساتنه د تیلو او ګاز سکتور کې انقلاب رامینځته کوي ، د نبات مدیریت لپاره د نوښت او فعال چلند سره.
د انګلستان CMA د مصنوعي استخباراتو په بازار کې د لوی ټیک چلند په اړه خبرداری خپور کړی. هلته…